nnU-Net是一个专为医学图像分割而设计的框架。 给定一个新的数据集（包括训练案例），nnU-Net将自动处理整个实验管道。

本程序为M文件，运行环境为matlab, 也可通过matlab转化为C++运行。实现功能：可实现医学图像的自动分割！

此代码为 Matlab进行医学图像聚类分割的代码，可以进行三维数据转换，非常适合在此基础上进行修改，如果下载下来，有不能实现的或者需要其他相关程序的,例如K-means，可以私聊我，欢迎打扰。

传输网 此存储库包含代码 用法 1.下载Google预先训练的ViT模型 ：R50-ViT-B_16，ViT-B_16，ViT-L_16 ... wget https://storage.googleapis.com/vit_models/imagenet21k/{MODEL_NAME}.npz && mkdir ../model/vit_checkpoint/imagenet21k && mv {MODEL_NAME}.npz ../model/vit_checkpoint/imagenet21k/{MODEL_NAME}.npz 2.准备数据 请访问以获取详细信息，或将电子邮件发送至jienengchen01 AT gmail.com以请求预处理的数据。 如果您想使用预处理后的数据，请将其用于研究目的，请勿重新分发。 3.环境 请准备一个python = 3.7的环境，然后使用命令“

从开始研究医学图像开始阐述，阐述了各种方法，和本人的研究方法。这里是一个课题的开题报告，有用的可以下载下来参考一下，实际的操作实验还需要自己完善。

里面包括肝脏分割数据集和整个工程所有文件，下载完之后直接运行就好，工程文件包括model.py,train.py和predict.py三个文件，数据集中训练集一共有400张肝脏图片及对应分割模板，验证集一共有20张肝脏图片及对应分割模板

 文中在研究现有先验知识与支持向量机融合的基础上，针对置信度函数凭经验给出的不足，提出了一种确定置信度函数方法，更好地进行分类。该方法是建立在模糊系统理论的基础上：将样本的紧密度信息作为先验知识应用于支持向量机的构造中，在确定样本的置信度时，不仅考虑了样本到所在类中心之间的距离，还考虑样本与类中其它样本之间的关系，通过模糊连接度将支持向量与含噪声样本进行区分。文中将基于先验知识的支持向量机应用于医学图像分割，以加拿大麦吉尔大学的brainWeb模拟脑部数据库提供的不同噪声的图像进行实验，实验结果表明采用基于先验知识的支持向量机比传统支持向量机具有更好的抗噪性能及分类能力。

UNet : 用于医学图像分割的嵌套U-Net架构

ITK入门教程，医学图像分割与配准（上下册），高清版，带书签目录版

<>医学图像分割，是由Yuri Y. Boykov和Marie-Pierre Jolly在IEEE发表的。